Tugas Program Komputer Analisis Struktural Equation Modeling (Analisis Sem)

Tugas Individu 1: Program Komputer
TUGAS PROGRAM KOMPUTER

ANALISIS STRUKTURAL EQUATION MODELING
(ANALISIS SEM)
Disusun Oleh:
Risasi Febriani Ganda
2012-84-202-006
Semester IV / Kelas A (Pagi)
Dosen Pembimbing: Kamariah, S.Pd., M.Pd.
Program Studi Matematika

Fakultas Keguruan dan Ilmu Pendidikan
Universitas Musamus Merauke
Tahun 2014
Tugas Individu
PENGANTAR
Tugas besar mata kuliah Program Komputer yang telah saya susun ini
berisikan tentang struktur analisis SEM (Struktural Equation Modeling) yang
mana variabel yang menjadi indikator dalam tugas besar analisis SEM saya ini
adalah Perilaku Guru sebagai variabel X1, Motivasi Belajar Matematika Siswa
sebagai X2, Kebiasaan Belajar Siswa sebagai Y1 dan Prestasi Belajar Matematika
Siswa sebagai Y2 (variabel yang telah diwajibkan).
Dalam penyusunan tugas ini adapun perintah yang menjadi dasar
penyusunannya, diantaranya sebagai berikut.
1. Buat kerangka pikir ulasan penjelasan mengenai model dengan kata-kata
(1 atau 2 halaman) !
2. Buat analisis jalur dari kerangka pikir itu (gambar) dan model
matematikanya!
3. Cari data (minimal 2x dan 2y)!
4. Buat analisis dengan model pengukurannya (valid dan reliabel)!
5. Buat analisis model struktural (awal - akhir)!
6.
Menguji hipotesis langsung dan tidak langsung!
7.
Pembahasan dan simpulan!
8.
Disertakan juga silabus Matematika SMA IPA (kompetensi dasar 2.2, 2.3,
dan 2.4)!
Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)
Tugas Individu
JAWABAN
1. Kerangka Pikir
Berdasarkan referensi yang telah saya peroleh, telah terlihat jelas bahwa
perilaku guru dalam menjalankan tugasnya dapat mempengaruhi motivasi belajar
siswa. Semakin baik perilaku guru maka akan semakin baik kebiasaan belajar
siswa yang nantinya akan mengakibatkan semakin tinggi pula prestasi belajar
siswa. Demikian pula dengan motivasi yang diperoleh siswa dalam proses belajar
mengajar. Semakin tinggi motivasi yang diperoleh oleh siswa dalam proses
belajar mengajar maka akan mengakibatkan semakin baik kebiasaan belajar dan
prestasi belajarnya.
Menurut Glickman, seorang guru akan bekerja secara professional
bilamana guru tersebut memiliki kemampuan kerja yang tinggi dan kesungguhan
hati untuk mengerjakan tugasnya dan tanggung jawabnya sebaik-baiknya
(Werang, 2014 : 12). Dimana perilaku yang diinginkan disini adalah perilaku yang
professional dalam bekerja. Bekerja dimaknai sebagai suatu rasa tanggung jawab
dalam mengabdi kepada masyarakat dan menjalankan tugas dengan sepenuh hati.
Karena pada dasarnya keberhasilan seorang guru adalah ketika ia mampu
melahirkan penerus yang bisa diandalkan dalam kehidupan bermasyarakat. Itu
sebabnya perilaku guru dalam proses belajar mendukung tingkat prestasi belajar
seorang siswa.
Guru dalam mengabdi berperan juga sebagai seorang motivator. Sebagai
motivator, guru harus mampu membangkitkan motivasi belajar para anak didik
(Werang, 2014 : 27). Dimana dengan adanya motivasi yang lahir bukan hanya
dari guru tapi juga dari orang tua ini dapat memenuhi kebutuhan dalam diri siswa
terutama pada proses belajarnya. Melalui motivasi inilah yang membangkitkan
rasa semangat dan percaya diri siswa dalam kegiatan belajar mengajar di kelas.
Dari perilaku yang professional oleh guru dalam kegiatan belajar
mengajar dan motivasi yang baik yang diperoleh oleh siswa akan mempengaruhi
kebiasaan belajar siswa menjadi baik pula. Kebiasaan belajar yang dimaksudkan
Tugas Individu
di sini mencakup kesediaan, keteraturan, perilaku dan kesiapan siswa dalam

menerima pelajaran dalam kelas.
Kebiasaan belajar siswa yang semakin lama semakin baik akan
mengakibatkan prestasi siswa akan semakin baik pula. Prestasi yang diukur dalam
hal ini adalah melalui nilai evaluasi akhir yang telah dirancang sedemikian rupa
sehingga evaluasi tersebut mencakup di dalamnya semua materi yang diajarkan
sebelumnya. Sehingga akan terlihat jelas bahwa perilaku guru dan motivasi ini
berpengaruh positif terhadap hasil dan prestasi belajar siswa.
Faktor Eksternal
Faktor Internal
Motivasi Belajar
Perilaku Guru
Kebiasaan Belajar
Prestasi Belajar Matematika

Gambar 01. Kerangka konseptual hubungan antar variabel penelitian
Model keterhubungan (interrelationship) dalam rangka perumusan

hipotesis yang merupakan model struktural kandidat faktor anteseden dan
konsekuen dalam pembelajaran matematika dapat disajikan pada Gambar 2.
Perilaku Guru
dalam Proses
Belajar
Kebiasaan
Belajar Siswa
Prestasi
Belajar Siswa
Motivasi Belajar
Siswa
Gambar 02. Model struktural kandidat jaringan fungsional antar variabel penelitian.
Tugas Individu
2. Analisis Jalur dari Kerangka Pikir

Model
struktural
dan
pengukuran
yang
sesuai
dengan
hasil
pengembangan dalam kerangka pikir dan teknik statistika yang digunakan

disajikan dalam Gambar 03. berikut.
21
12
X1: Perilaku
Guru
Matematika
11
12
21
X2: Motivasi
Belajar
Matematika
z2
Y1: Kebiasaan
Belajar
21
Y2: Prestasi
Belajar
Matematika
z1
22
Gambar 03. Model pengukuran dan struktural hubungan fungsional antar konstruk
Untuk keperluan formulasi matematis berdasarkan Struktural Equation

Modeling (SEM) yang akan digunakan sebagai teknik analisis data, maka
simbolisasi diperlukan dalam model. Model pengukuran dan struktural dalam
penelitian ini selengkapnya disajikan dalam Gambar 03. dimana: X1 dan X2
berturut-turut adalah perilaku guru matematika dan motivasi belajar matematika
siswa; Y1 dan Y2 berturut-turut adalah kebiasaan belajar matematika dan prestasi
belajar matematika.
Berdasarkan model pengukuran dan struktural dalam Gambar 03. maka
besarnya pengaruh hubungan fungsional masing-masing variabel bebas terhadap
variabel terikat dapat dilihat dalam bentuk fungsi sebagai berikut:
Y1 = f (X1,X2) (0,1)
Y2= f (X1,X2,Y1) (0,2)
Proses pemodelan berdasarkan data menggunakan Model Persamaan
Struktural (Struktural Equation Modelling) disingkat SEM, atau biasa disebut
Model Struktural. SEM merupakan teknik umum yang menggabungkan teknik
Tugas Individu
analisis faktor, analisis jalur dan analisis regresi. SEM merupakan perluasan dari
GLM yang dapat menguji sejumlah persamaan regresi secara simultan.
a. Model Matematis
Model SEM memiliki dua bagian: model pengukuran dan model
struktural. Model pengukuran merujuk pada pemetaan ukuran-ukuran konstruk
teoritis, sedangkan model struktural mengacu pada jaringan kausal dan
koreladional antar variabel teoritis. Berdasarkan Gambar 03. maka formulasi
matematis pada bagian pengukuran sebagai berikut:
X p a x X
X q b yY
dimana:
X p adalah vektor ( q 1) variabel manifest eksogenus.
Y p adalah vektor ( p 1) variabel manifest endogenus.
X adalah vektor (n 1) konstruk laten eksogenus dengan rata-rata 0 dan variansi .

Y adalah vektor (n 1) konstruk laten endogenus.
a, b adalah vektor ( q 1) konstanta variabel eksogenus dan endogenus.
adalah vektor ( q 1) error pengukuran dengan rata-rata 0.

adalah vektor ( p 1) error pengukuran dengan rata-rata 0.
x adalah matriks ( q n ) faktor loading.
y adalah matriks ( p m) faktor loading.
Dengan kata lain, bagian ini adalah model analisis faktor. Bagian
struktural adalah persamaan untuk memprediksi nilai-nilai variabel endogenus. Ini
berarti bahwa, bagian struktural adalah fungsi dari pengaruh endogenus terhadap
dirinya sendiri ditambah pengaruh variabel eksogenus terhadap variabel
endogenus tambah penyebab stray (the stray causes). Bagian struktural dalam
Gambar 3. yang disebut pula model persamaan struktural adalah:
Y1 1 11 X 1 12 X 2 Z1
Y2 2 21 X 1 22 X 2 21Y1 Z2
Tugas Individu
dimana:
X 1 , X 2 berturut-turut adalah perilaku guru matematika, dan motivasi

belajar matematika.
Y1 , Y2 berturut-turut adalah kebiasaan belajar matematika dan prestasi

belajar matematika siswa.
i adalah konstanta.
ij adalah koefisien pengaruh X dan Y .
ij adalah koefisien pengaruh Y dan Y .
zi adalah error term.
b. Langkah-langkah pemodelan
Langkah-langkah yang ditempuh dalam proses pemodelan melalui
metode SEM sebagai berikut:
Analisis variabel manifes. Analisis statistik dimulai dengan analisis
factor konfirmatori. Analisis ini memandang semua kelompok variabel manifes
sebagai
kesatuan
menyeluruh,
lalu
dijalankan
analisis
faktor
untuk
mengkonfirmasi dan memeriksa apakah variabel manifes saling berhubungan.

Disini akan diperoleh hubungan yang kuat antara variabel manifes, sehingga
menimbulkan asumsi bahwa konstruk tersebut saling berkorelasi.
Secara ringkas, pada analisis ini akan diperoleh:
1) Variabel manifes yang dapat mengkonstruk variabel laten
2) Banyaknya variabel laten yang di perlukan untuk setiap konstruk
3) Konstruk-konstruk yang berkolerasi kuat
Analisis pada langkah ini akan digunakan pada langkah analisis
berikutnya. Pemodelan. Pada langkah pemodelan ini, analisis dimulai dari model
teoritis yang telah dipertimbangkan. Bila model teoritis memberikan fit yang
buruk, maka diupayakan untuk meningkatkan dengan menggunakan argumen
berikut:
1) Mengeluarkan hubungan kausal yang tidak signifikan secara statistika melalui
kritikal rasio yang disediakan oleh AMOS. Menurut teori SEM, nilai-nilai
Tugas Individu
mutlak kritikal rasio ini di bawah 2 menyatakan hubungan tidak signifikan

secara statistik. Semua hubungan ini dikeluarkan dalam model (misalnya
variabel manifes untuk konstruk).
2) Menyatukan kolerasi antar error indikator konstruk sesuai dengan yang
diperoleh dalam CFA melalui modification index yang disediakan AMOS. Ini
akan meningkatkan konsideran model tersebut. Semua kolerasi yang
memberikan hasil yang tinggi maka diambil sebagai keputusan dalam analisis
ini. Berdasarkan argumen ini, maka akan diperoleh berbagai model kandidat.
3) Verifikasi model. Dari model kandidat yang diperoleh di atas, selanjutnya
akan diverifikasi untuk menghindari terjadinya masalah multikolinieritas.
SEM menyediakan sederetan kriteria yang dikembangkan untuk menilai
kecocokan (goodness of fit) dan melakukan perbandingan antara modelmodel yang berbeda untuk tujuan seleksi model. Kriteria RMSEA salah satu
yang digunakan untuk mengecek kecocokan model.
c. Pengolahan data
Untuk mengolah data hasil penelitian digunakan software statistika.
Sortware yang digunakan adalah AMOS 20.0, yang akan dipadu dalam
pengolahan data sesuai dengan kebutuhan studi.
3. Data (Terkirim ke email)
4. Analisis dan Model Pengukurannya (valid dan reliabel)

Untuk menilai ketepatan pengukuran dari suatu butir instrumen yang
mengukur konstruk digunakan validitas butir dan reliabilitas konstruk. Syarat
yang diperlukan untuk melakukan analisis validitas butir dan reabilitas konstruk
adalah bahwa setiap indicator memiliki sifat unidimensional terhadap konstruknya
(Hair, dkk dalam Rondiyah, 2009). Dalam penelitian ini setiap butir
pertanyaan/pernyataan dalam instrumen dipandang sebagai indikator dari
konstruknya.
Tugas Individu
Mengikuti berbagai penelitian seperti Duman, 2002, Lee, 2005, Li, 2005
dan Hisyam (Rondiyah, 2009) bahwa instrumen yang dikembangkan berdasarkan
teori tidak lagi menggunakan sampel lain selain dari data sampel untuk analisis
data penelitian. Sehingga butir-butir yang drop out tidak ikut dalam data set untuk
analisis inferensial. Karena itu, semua instrumen dalam penelitian ini juga tetap
menggunakan data sampel penelitian sebagai data sampel dalam mengukur
akurasi dan konsistensi instrumen. Untuk itu, maka statistik uji yang digunakan
sebagai berikut:
a. Undimensional
Sifat unidimensional dapat diperoleh melalui korelasi item dengan skor
komposit. Item-item yang memiliki korelasi kurang dari 0,35 akan dieliminasi
(Saxe & Weits, 1982 dalam Rondiyah, 2009).
b. Validasi Konstruk
Validitas konstruk terdiri dari 3 bagian yaitu nomological validity,
convergent validity,dan divergen validity (Hair, dkk dalam Rondiyah, 2009).
Nomological validity otomatis dipenuhi karena indikator yang membangun
konstruk didasarkan pada teori-teori dan hasil penelitian relevan.
Metode yang dapat dilakukan untuk melihat tingkat validitas konstruk
adalah CFA (Confirmatory Faktor Analysis). Dalam Wikipedia (2008)
dikemukakan bahwa metode ini merupakan pendekatan baru dan relatif lebih baik
ketimbang metode lama dengan menggunakan pendekatan klasik.
Parameter butir yang tidak dikontrol dalam CFA dapat dicermati saat
pelaksanaan pengumpulan data pada responden, sehingga CFA tetap memberi
informasi yang memadai dalam memvalidasi butir dari kuesioner (Dimitrov dalam
Rondiyah, 2009). Karena itu dalam penelitian ini akan digunakan metode CFA
dalam melakukan validasi terhadap butir kuesioner dari konstruk laten.
Prosedur CFA untuk memperoleh model final sebagai adalah
membangun model pengukuran, melakukan CPA awal terhadap model,
melakukan modification indeks bila model belum fit, demikian seterusnya hingga
Tugas Individu
indeks overal fit yang sesuai dengan kriteria. Model yang memiliki indeks overall
fit yang memadai disebut model tahap final (Hair, dkk dalam Rondiyah, 2009).
Validitas butir menggunakan faktor loading yang diperoleh dalam CFA
sebab validitas isi kuesioner tersebut telah dipenuhi. Kriteria yang digunakan
dalam menilai validitas tersebut adalah bahwa suatu butir dikatakan valid bila
nilai estimasi untuk standardized regression weight (loading faktor) dari model
final lebih dari 0,40 (Zumbo, 2005, dan Misajon dkk. 2005 dalam Rondiyah,
2009) atau critical ratio (C.R) lebih besar dari dua kali standar errornya (Anderson
& Gerbing dalam Rondiyah, 2009).
c. Reliabilitas
Analisis ini dimaksudkan untuk melihat konsistensi pengukuran variabel
laten yang digunakan. Koefisien yang digunakan untuk menilai konsistensi
internal (tingkat reliabilitas)adalah Cronbachs alpha. Hisyam Ihsan (Rondiyah,
2009) dikemukakan bahwa Cronbachs alpha bukan uji statistika tetapi mutlak
hanya koefisien reliabilitas (atau konsistensi) yang menunjukkan sejumlah
korelasi antar butir dan karena itu cocok untuk mengukur konstruk laten, sehingga
ketika perhitungan dengan sampel acak, maka alpha memuat error acak dan ini
otomatis telah ikut dalam perhitungan saat proses menghitung dengan
menggunakan rumus di atas. Kesepakatan yang biasa diambil untuk menilai
konsistensi internal yang memuaskan adalah bila alpha lebih besar dari 0,7
(Nunnally dalam Rondiyah, 2009).
Cronbachs alpha dapat ditulis sebagai fungsi dari sejumlah variabel
manifes dan ratarata inter-korelasi antar variabel manifes. Dari sejumlah variabel
manifes, Cronbachs alpha dihitung sebagai
2
k si
1 2
k 1
s
dimana k adalah banyaknya variabel manifest yang digunakan dan si2 adalah
variansi variabel manifest ke-i sedangkan s 2 adalah total variansi semua data
(dari semua variabel manifes).
10
Tugas Individu
5. Analisis Model Struktural (awal-akhir)

a. Model aplikatif faktor-faktor anteseden
Pada bagian ini dimaksudkan untuk menggunakan statistika inferensial
melalui pengembangan model struktural dan pengujian hipotesis. Sebelum
melakukan pengujian hipotesis dilakukan pengecekan asumsi yang mendasari
statistika inferensial yang digunakan. Jika asumsi-asumsi tersebut (kecukupan
informasi (overidentified), linearitas, normalitas variabel dependen, dan
multikolinearitas) dipenuhi maka penggunaan statistika parametric dapat
digunakan dalam pengujian hipotesis.
b. Verifikasi Model dan Pembahasan Model Final (Tahap Awal-Akhir)
Model teoritis yang telah dikembangkan sebagaimana disajikan pada
Nomor 2. Akan diverifikasi berdasarkan data empiris. Bagian ini dalam metode
SEM merupakan bagian model struktural.
Berdasarkan CFA final masing-masing konstruk dibangun model lengkap
persamaan struktural. Model ini disebut Model Tahap Awal. Hasil analisis
disajikan dalam Lampiran 1. Indeks overal fit untuk Model Tahap Awal adalah
2
nilai-p 0.000 0, 05, x df 1.228 < 2 , RMSEA = 0.039, dan CFI = 0.390,
TLI = 0.341. Ini menunjukkan indeks overal fit yang kurang cocok dengan
keadaan, karena chi-square, CFI dan TLI yang kurang memberikan dukungan
kecocokan model.
Hasil estimasi parameter (regression weight atau loading factor) melalui
metode maksimum likehood, disajikan dalam Lampiran 1. Model ini belum dapat
dijadikan patokan dalam estimasi parameter karena belum menunjukkan indeks fit
yang acceptable.
Karena model tahap awal masih memiliki indeks yang kurang cocok
maka langkah berikutnya adalah meningkatkan indeks overal fit model tersebut.
Pendekatan yang digunakan dalam meningkatkan indeks tersebut adalah
pendekatan model building-trimming terhadap parameter melalui pertimbangan
Modification Indices yang disediakan oleh AMOS 20.0.
11
Tugas Individu
Proses building-trimming dilakukan hingga diperoleh indeks overall fit

yang lebih sesuai dan model tersebut dinyatakan sebagai model tersebut dinyatakan
sebagai model Tahap Final. Hasil analisis yang diperoleh disajikan dalam lampiran
dan dalam bentuk sederhana disajikan pada Gambar 04. Indeks overall fit untuk
2
model tahap final ini adalah nilai-p 0.905 0, 05, x df 0.912 < 2 , RMSEA =
0.000, dan CFI = 1.000 > 0.90, TLI = 1.253 > 0.90. Disini, probabilitas untuk chikuadrat masih belum memberikan nilai yang dapat diterima, sedangkan kriteria
lainnya telah menunjukkan acceptabel fit. Jadi telah memenuhi minimal 3 indeks
untuk dapat dijadikan patokan kecocokan model. Dengan demikian model ini dapat
diterima untuk analisis lebih lanjut.
Sumber: Lampiran 1, hasil analisis dengan AMOS 20.0
Gambar 04. Model anteseden dari prestasi belajar matematika siswa tahap Akhir
12
Tugas Individu
Hasil estimasi parameter (regression weight) disajikan dalam Tabel 1.

Tabel 1. Estimasi koefisien regresi persamaan struktural untuk model tahap akhir.
Estimate
S.E.
C.R.
Label
Y1 <--- X2
-.157
32.109 -.005 .996 par_33
Y1 <--- X1
-.087
.133 -.654 .513 par_35
Y2 <--- Y1
25.231
67.374
.374 .708 par_30
Y2 <--- X2
5.936 1216.908
.005 .996 par_31
Y2 <--- X1
4.316
.719 .472 par_32
6.006
Persamaan struktural yang sesuai berdasarkan model tahap final dan

korelasi multipel kuadratnya sebagaimana dalam Tabel 1. di atas dan Lampiran 1.
adalah:
Y1 0,855 0,087 X 1 0,157 X 2
Ry21 99,145%
Y2 85,693 25,231X 1 5,936 X 2 4,316Y1
Ry22 14,307%
dimana:

belajar matematika.

c. Analisis mediasi model

Hasil analisis melalui AMOS 20.0 untuk efekmediating variabel
intervening dari model tahap final disajikan dalam Tabel 2. berikut.
Tabel 2. Pengaruh Tidak Langsung.

Perilaku Guru
(X1)
Indirect Effect Estimates
Y1
.000
Motivasi Belajar
(X2)
.000
Kebiasaan Belajar
(Y1)
.000
13
Tugas Individu
Y2
-2.201
-3.952
.000
Indirect Effect Significance (nilai-p)

Y1
Y2
6. Uji Hipotesis Langsung dan Tak Langsung

Berdasarkan hasil analisis data di atas, maka hasil-hasil pengujian
hipotesis sebagaimana telah dikemukakan sebelumnya, sebagai berikut:
a. Hipotesis menyangkut prediksi langsung
Berdasarkan hasil pengolahan data untuk model tahap akhir yang
diperoleh, maka pengujian hipotesis prediksi langsung dikemukakan sebagai
berikut:
Pengaruh langsung terhadap Kebiasaan Belajar Matematika (Y1).
Hipotesis pertama yang akan diuji adalah:
H0: 11 0 melawan H1: 11 0
dimana H1 menyatakan bahwa ada pengaruh langsung yang positif dan signifikan
dari perilaku guru (X1) terhadap kebiasaan belajar matematika siswa (Y1) pada
taraf signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 1, diperoleh hasil
estimasi 11 0.087 yang negatif dengan nilai p = 0.513 > 0.05 yang tidak
signifikan. Ini berarti bahwa H0 diterima pada taraf signifikansi 0.05. Jadi tidak
ada pengaruh positif dan tidak signifikan perilaku guru (X1) terhadap kebiasaan
belajar matematika siswa (Y1) pada taraf signifikansi 0.05.
Hipotesis kedua yang akan diuji adalah:
H0: 12 0 melawan H1: 12 0
dari motivasi belajar matematika siswa (X2) terhadap kebiasaan belajar
matematika siswa (Y1) pada taraf signifikansi 0,05. Sebagaimana ditunjukkan
pada Tabel 1, diperoleh hasil estimasi 12 0.157 yang negatif dengan nilai p =
0.996 > 0.05 yang tidak signifikan. Ini berarti bahwa H0 diterima pada taraf
14
Tugas Individu
signifikansi 0.05. Jadi tidak ada pengaruh langsung yang positif dan tidak
signifikan motivasi belajar matematika siswa (X1) terhadap kebiasaan belajar
matematika siswa (Y1) pada taraf signifikansi 0.05.
Sekitar 110% total variasi yang akan diberikan oleh masing-masing
variabel bebas tersebut terhadap Kebiasaan Belajar Matematika Siswa (Y1) secara
bersama-sama.
Pengaruh langsung terhadap prestasi belajar matematika (Y2).
Hipotesis ketiga yang akan diuji adalah:
H0: 21 0 melawan H1: 21 0
dari perilaku guru matematika (X1) terhadap prestasi belajar matematika siswa
(Y2) pada taraf signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 1,
diperoleh hasil estimasi 21 4.316 yang positif dengan nilai p = 0.472 > 0.05
yang tidak signifikan. Ini berarti bahwa H0 ditolak pada taraf signifikansi 0.05.
Jadi ada pengaruh langsung yang positif tapi tidak signifikan perilaku guru
matematika (X1) terhadap prestasi belajar matematika siswa (Y2) pada taraf
signifikansi 0.05.
Hipotesis keempat yang akan diuji adalah:
H0: 22 0 melawan H1: 22 0
dari motivasi belajar matematika siswa (X2) terhadap prestasi belajar matematika
siswa (Y2) pada taraf signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 1,
diperoleh hasil estimasi 22 5.936 yang positif dengan nilai p = 0.996 > 0.05
yang tidak signifikan. Ini berarti bahwa H0 ditolak pada taraf signifikansi 0.05.
Jadi ada pengaruh langsung yang positif tapi tidak signifikan Motivasi Belajar
Matematika Siswa (X2) terhadap Prestasi Belajar Matematika Siswa (Y2) pada
taraf signifikansi 0.05.
15
Tugas Individu
Hipotesis kelima yang akan diuji adalah:

H0 : 21 0 melawan H1: 21 0
dari kebiasaan belajar matematika siswa (Y1) terhadap prestasi belajar
matematika siswa (Y2) pada taraf signifikansi 0,05. Sebagaimana ditunjukkan
pada Tabel 1, diperoleh hasil estimasi 21 25,231 yang positif dengan nilai p =
0.708 > 0.05 yang tidak signifikan. Ini berarti bahwa H0 ditolak pada taraf
signifikansi 0.05. Jadi ada pengaruh positif tapi tidak signifikan kebiasaan belajar
matematika siswa (Y1) terhadap prestasi belajar matematika siswa (Y2) pada taraf
signifikansi 0.05.
Sekitar 10% total variasi yang dapat diberikan oleh masing-masing
variabel bebas tersebut terhadap prestasi belajar matematika (Y2) secara bersamasama.
b. Hipotesis menyangkut prediksi tidak langsung (mediator)
Berdasarkan hasil analisis sebagaimana dalam Tabel 2, maka hipotesis
kedelapan yang akan diuji adalah:
H0: 21 11 0 melawan H1: 21 11 0
dimana H1 menyatakan bahwa ada pengaruh tidak langsung yang positif dan
signifikan dari perilaku guru matematika (X1) melalui kebiasaan belajar
signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 2, diperoleh hasil estimasi
21 11 2.201 yang negatif dengan nilai p = 0.708 > 0.05 yang tidak signifikan.
Ini berarti bahwa H0 diterima pada taraf signifikansi 0.05. Jadi tidak ada pengaruh
tidak langsung positif dan tidak signifikan dari kinerja guru matematika (X1)
melalui minat belajar matematika (Y1) terhadap prestasi belajar matematika siswa
(Y2) pada taraf signifikansi 0,05.
16
Tugas Individu
Hipotesis kesembilan yang akan diuji adalah:

H0: 21 12 0 melawan H1: 21 12 0
dimana H1 menyatakan bahwa ada pengaruh tidak langsung yang positif dan
signifikan dari motivasi belajar matematika siswa (X2) melalui kebiasaan belajar
signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 2, diperoleh hasil estimasi
21 12 3.952 yang negatif dengan nilai p = 0.303 > 0.05 yang tidak signifikan.
Ini berarti bahwa H0 diterima pada taraf signifikansi 0.05. Jadi tidak ada pengaruh
tidak langsung positif dan tidak signifikan dari motivasi belajar matematika siswa
(X2) melalui kebiasaan belajar matematika siswa (Y1) terhadap prestasi belajar
matematika siswa (Y2) pada taraf signifikansi 0,05.
7. Pembahasan dan Simpulan

a. Pembahasan Model Struktural
Berdasarkan hasil verifikasi model dan hasil-hasil pengujian hipotesis
sebagaimana telah dikemukakan di atas, berikut pembahasan terhadap hasil yang
diperoleh.
1) Signifikansi model
Berdasarkan hasil verifikasi atas model teoritis yang telah dikembangkan
dalam kerangka pikir, maka model struktural tahap final yang dapat menjelaskan
faktor-faktor anteseden dari prestasi belajar matematika disajikan dalam gambar
04. Pada awalnya dikembangkan model awal sesuai dengan hasil analisis masingmasing konstruk, namun model tersebut kurang fit dalam menjelaskan model
pembelajaran siswa dalam penyelenggaraan pendidikan sekalipun ada indeks
model fit yang mendukung model tersebut.
Peningkatan model fit dilakukan sehingga indeks overal fitnya dapat
memenuhi kriteria kecocokan dan memberikan model tahap final sebagaimana
disajikan dalam gambar 04. Hasil tersebut menunjukkan bahwa model telah
memenuhi kriteria kebaikan dan dapat ditetapkan sebagai model struktural yang
signifikan dalam menjelaskan keterhubungan faktor-faktor internal-eksternal
17
Tugas Individu
terhadap prestasi belajar matematika siswa dalam tugas besar analisis SEM saya
ini.
2) Model persamaan struktural
Model struktural yang diperoleh dan yang memberikan indeks overall fit
lebih baik disajikan dalam Gambar 04. Secara matematis, model persamaan
struktural dapat disajikan sebagai berikut:
Y1 0,855 0,087 X 1 0,157 X 2
Ry21 99,145%
Y2 85,693 25,231X 1 5,936 X 2 4,316Y1
Ry22 14,307%
dimana:

belajar matematika.

Model yang diperoleh melalui persamaan struktural ini diharapkan dapat
menjelaskan persepsi dan sikap siswa. Dalam model ini, semua koefisien
pengaruh langsung tidak signifikan, tetapi tetap ada yang memberikan pengaruh
yang positif.
Model struktural faktor-faktor anteseden dan konsekuen dari pelaksanaan
pembelajaran tersebut menyatakan bahwa makin baik faktor eksternal yang
diberikan kepada siswa dan makin tinggi faktor internal yang dimiliki siswa maka
akan semakin tinggi pencapaian kompetensi yang diharapkan kepadanya atau
semakin tinggi pencapaian belajar siswa.
3) Pegaruh faktor internal-eksternal terhadap prestasi belajar matematika

Hasil analisis menunjukkan bahwa faktor internal dalam hal ini motivasi
belajar matematika siswa memiliki pengaruh yang positif dan signifikan terhadap
kebiasaan belajar matematika siswa maupun terhadap prestasi belajar matematika
siswa.
18
Tugas Individu
Dengan memandang hasil uraian teori dalam tinjauan pustaka secara

menyeluruh, maka akan mengarah pada posisi tengah terhadap pengaruh faktor
internal dan eksternal yang diperhatikan dalam studi ini terhadap hasil belajar
matematika, tanpa memandang faktor lain dari faktor internal dan eksternal.
Maksudnya, pada salah satu faktor data tidak mendukung secara signifikan
dugaan bahwa variabel tersebut mempengaruhi prestasi belajar matematika siswa
dan pada pihak yang lain ternyata memiliki pengaruh positif terhadap prestasi
belajar matematika. Pembelajaran pada manusia adalah suatu fenomena kompleks
bahwa penjelasan sederhana dalam menjelaskan fenomena ini harus ditolak. Oleh
karena itu, variabel tersebut bisa saja memiliki pengaruh positif dan signifikan
terhadap prestasi belajar matematika siswa di bawah kondisi tertentu. Walaupun
hal ini nampak berlebihan, data tidak cukup mendukung untuk menyatakan dan
definitif.
Hampir terabaikan dalam studi ini, dampak individu guru, hanya menguji
model struktural sederhana yang menunjukkan efek beberapa faktor internal dan
eksternal
tanpa
mempertimbangkan
karakteristik
guru.
Logikanya,
ada
kemungkinan bahwa guru terbaik (excellence teacher) yang antusias dan terkait
baik dengan siswa dapat membuat perbedaan yang lebih baik dalam outcome
pendidikan ketimbang menggunakan metodologi tertentu.
b. Simpulan
Dari hasil analisis dan pembahasan yang telah dilakukan, maka dapat
ditarik simpulan sesuai dengan permasalahan penelitian sebagai berikut:
1) Melalui model struktural, maka dapat disimpulkan bahwa makin tinggi
integrasi faktor internal (khususnya motivasi belajar matematika dan
kebiasaan belajar siswa) dan factor eksternal (khususnya perilaku guru
matematika) akan semakin tinggi tingkat pencapaian prestasi belajar siswa;
atau ekuivalen bahwa makin tinggi perilaku guru metematika di sekolah
dengan diimbangi oleh kebiasaan belajar siswa yang baik serta motivasi yang
diperoleh siswa pun cukup baik, akan semakin tinggi tingkat keberhasilan
19
Tugas Individu
siswa di sekolah dan tentu saja akan meningkatkan mutu pendidikan dalam
jangka panjang.
2) Motivasi belajar matematika siswa sebagai faktor pendukung bagi siswa
untuk belajar dan perilaku guru matematika selama menempuh pendidikan di
sekolah berpengaruh positif dan signifikan secara langsung terhadap minat
belajar matematikanya pada taraf signifikansi 5%. Total variasi yang dapat
diberikan dua variabel tersebut terhadap minat belajar matematika siswa
sekitar 110%.
3) Fasilitas belajar matematika siswa sebagai faktor pendukung bagi siswa untuk
belajar, motivasi siswa untuk belajar matematika dan kinerja guru matematika
selama menempuh pendidikan di sekolah dan minat belajar matematika
memiliki pengaruh langsung yang positif terhadap prestasi belajar
matematika, tetapi semua variabel tidak begitu signifikan pada taraf
signifikansi 5%. Total variasi yang dapat diberikan dua variabel tersebut
terhadap minat belajar matematika siswa sekitar 10%.
4) Kebiasaan belajar matematika siswa memiliki pengaruh yang positif tetapi
tidak signifikan terhadap prestasi belajar matematikanya pada taraf
signifikansi 5%. Kebiasaan belajar matematika siswa dapat memperkuat
pengaruh perilaku guru matematika dan motivasi belajar matematika,
terhadap prestasi belajar matematika sekalipun tidak begitu signifikan pada
taraf signifikansi 5%.
20
Tugas Individu
DAFTAR PUSTAKA
Afida, Husna. 2007. Skripsi Pengaruh Kebiasaan Belajar dan Minat Membaca
terhadap Prestasi Belajar Siswa Kelas VIII Pada Mata Pelajaran
Matematika
di
Mts
Darul
Huda
Wonodadi
Blitar.
(Online)
(http://www.uin-malang.ac.id). Diakses 21 Juni 2014.

Anonim. Skripsi Pengaruh Perilaku Guru dan Motivasi Belajar terhadap Prestasi
Belajar Matematika Siswa Kelas VIII SMP Negeri II Turen Kabupaten
Malang. (Online) (http://lib.uin-malang.ac.id/files/thesis/07130050.pdf).
Diakses pada tanggal 6 Juni 2014.
Kamariah. 2014. Contoh Tugas Program Komputer Matematika (Analisis SEM).
Tidak dipublikasikan. Merauke: Werang, B.R. 2014. Profesi Keguruan. Merauke: LP2M UNMUS.
21
Tugas Individu
LAMPIRAN 1. VERIFIKASI MODEL ANTESEDEN

1. Verifikasi Persamaan Struktural Tahap Awal
Notes for Group (Group number 1)

The model is recursive.
Sample size = 150
Parameter Summary (Group number 1)
Weights
Covariances
Variances
Means
Intercepts
Total
Fixed
35
35
Labeled
Unlabeled
34
35
32
102
Total
69
35
32
137
22
Tugas Individu
Assessment of normality (Group number 1)

Variable
min
max
skew
c.r.
kurtosis
c.r.
Y2
62.000
100.000
-.158
-.788
-.693
-1.734
Y15
1.000
5.000
.252
1.258
-.559
-1.398
Y14
1.000
5.000
.185
.923
-.604
-1.509
Y13
1.000
5.000
.304
1.518
-.445
-1.112
Y12
1.000
5.000
.362
1.812
-.499
-1.246
Y11
1.000
5.000
.197
.983
-.596
-1.491
X21
1.000
5.000
.116
.582
-.726
-1.814
X22
1.000
5.000
.260
1.300
-.573
-1.432
X23
1.000
5.000
.161
.804
-.708
-1.769
X24
1.000
5.000
.229
1.146
-.569
-1.423
X25
1.000
5.000
.400
1.999
-.518
-1.296
X26
1.000
5.000
.335
1.674
-.279
-.698
X27
1.000
5.000
.381
1.906
-.325
-.814
X28
1.000
5.000
.358
1.790
-.335
-.838
X29
1.000
5.000
.177
.883
-.525
-1.312
X210
1.000
5.000
.217
1.086
-.576
-1.440
X211
1.000
5.000
.354
1.770
-.350
-.876
X115
1.000
5.000
.096
.481
-.725
-1.812
X114
1.000
5.000
.193
.967
-.892
-2.229
X113
1.000
5.000
.280
1.402
-.574
-1.434
X112
1.000
5.000
.221
1.106
-.732
-1.831
X111
1.000
5.000
.109
.545
-.628
-1.571
X110
1.000
5.000
.268
1.342
-.401
-1.003
X19
1.000
5.000
.278
1.388
-.469
-1.173
X18
1.000
5.000
.395
1.976
-.309
-.774
X17
1.000
5.000
.318
1.588
-.426
-1.064
23
Tugas Individu
Variable
min
max
skew
c.r.
kurtosis
c.r.
X16
1.000
5.000
.383
1.915
-.355
-.888
X15
1.000
5.000
.318
1.590
-.364
-.911
X14
1.000
5.000
.338
1.689
-.272
-.680
X13
1.000
5.000
.321
1.607
-.567
-1.419
X12
1.000
5.000
.353
1.764
-.460
-1.149
X11
1.000
5.000
.290
1.451
-.668
-1.669
-10.585
-1.389
Multivariate
Notes for Model (Group number 1 - Default model)

Computation of degrees of freedom (Default model)
Number of distinct sample moments:
560
Number of distinct parameters to be estimated:
102
Degrees of freedom (560 - 102):
458
Result (Default model)

Minimum was achieved
The model is probably unidentified. In order to achieve identifiability, it will
probably be necessary to impose 1 additional constraint.
Chi-square = 563.847
Degrees of freedom (corrected for nonidentifiability) = 459
Probability level = .001
Estimates (Group number 1 - Default model)

Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate
Y1
<--- X1
S.E.
C.R.
Label
.059 par_31
24
Tugas Individu
Estimate
Y1
<--- X2
S.E.
C.R.
Label
-.185 par_32
X11 <--- X1
1.000
X12 <--- X1
1.149 par_1
X13 <--- X1
1.607 par_2
X14 <--- X1
.787 par_3
X15 <--- X1
.869 par_4
X16 <--- X1
1.169 par_5
X17 <--- X1
.447 par_6
X18 <--- X1
.439 par_7
X19 <--- X1
.744 par_8
X110 <--- X1
.540 par_9
X111 <--- X1
.609
X112 <--- X1
.084 par_11
X113 <--- X1
-.054 par_12
X114 <--- X1
.250 par_13
X115 <--- X1
.264 par_14
X211 <--- X2
.244 par_15
X210 <--- X2
-.124 par_16
X29 <--- X2
-.581 par_17
X28 <--- X2
.047 par_18
X27 <--- X2
.341 par_19
X26 <--- X2
.296 par_20
X25 <--- X2
.070 par_21
X24 <--- X2
.082 par_22
X23 <--- X2
.335 par_23
X22 <--- X2
.187 par_24
X21 <--- X2
.035 par_25
.312 1.949 .051 par_10
25
Tugas Individu
Estimate
Y11 <--- Y1
S.E.
C.R.
Label
1.000
Y12 <--- Y1
.000 par_26
Y13 <--- Y1
.000
Y14 <--- Y1
.000 par_28
Y15 <--- Y1
.000 par_29
Y2
<--- Y1
.000 par_33
Y2
<--- X2
1.188 par_34
Y2
<--- X1
1.336 par_35
.000 -.073 .942 par_27
Standardized Regression Weights: (Group number 1 - Default model)

Estimate
Y1
<--- X1
.001
Y1
<--- X2
-.009
X11 <--- X1
.347
X12 <--- X1
.424
X13 <--- X1
.588
X14 <--- X1
.299
X15 <--- X1
.343
X16 <--- X1
.432
X17 <--- X1
.166
X18 <--- X1
.163
X19 <--- X1
.305
X110 <--- X1
.209
X111 <--- X1
.254
X112 <--- X1
.031
X113 <--- X1
-.021
X114 <--- X1
.091
26
Tugas Individu
Estimate
X115 <--- X1
.105
X211 <--- X2
.228
X210 <--- X2
-.125
X29 <--- X2
-.577
X28 <--- X2
.044
X27 <--- X2
.327
X26 <--- X2
.274
X25 <--- X2
.062
X24 <--- X2
.078
X23 <--- X2
.325
X22 <--- X2
.182
X21 <--- X2
.037
Y11 <--- Y1
19.615
Y12 <--- Y1
.005
Y13 <--- Y1
.000
Y14 <--- Y1
.002
Y15 <--- Y1
-.003
Y2
<--- Y1
-.001
Y2
<--- X2
.132
Y2
<--- X1
.059
Modification Indices (Group number 1 - Default model)

Covariances: (Group number 1 - Default model)
M.I.
Par Change
e30 <--> z2
5.025
1.592
e29 <--> X2
7.581
.313
e28 <--> e29
7.027
.218
e17 <--> e29
7.912
.229
27
Tugas Individu
M.I.
Par Change
e17 <--> e28
4.105
.169
e18 <--> e16
4.303
-.161
e20 <--> e16
5.245
.198
e23 <--> e19
4.108
.180
e24 <--> e30
6.408
.190
e14 <--> X2
7.620
.338
e14 <--> e19
4.352
.191
e14 <--> e22
5.495
.207
e13 <--> e31
4.739
-.189
e12 <--> e17
4.243
.178
e9 <--> z2
6.358
-1.703
e9 <--> e28
8.156
.220
e9 <--> e21
4.024
.160
e8 <--> e16
6.799
.213
e8 <--> e11
4.026
.159
e7 <--> e16
5.254
.187
e7 <--> e26
5.900
-.217
e6 <--> e13
6.164
.206
e5 <--> z2
5.187
-1.583
e5 <--> e9
23.666
.354
e4 <--> e5
6.198
-.196
e3 <--> e8
5.395
-.193
e2 <--> e4
9.064
.248
e1 <--> e31
4.010
-.187
e1 <--> e29
5.098
-.200
Model Fit Summary
28
Tugas Individu
CMIN
Model
NPAR
CMIN
DF
CMIN/DF
Default model
102
563.847
459
.001
1.228
Saturated model
560
.000
64
667.958
496
.000
1.347
NFI
RFI
IFI
TLI
Delta1
rho1
Delta2
rho2
.156
.088
.498
.341
Independence model
Baseline Comparisons
Model
Default model
Saturated model
Independence model
1.000
.000
1.000
.000
CFI
.390
1.000
.000
.000
.000
Parsimony-Adjusted Measures
Model
PRATIO
PNFI
PCFI
Default model
.925
.144
.361
Saturated model
.000
.000
.000
1.000
.000
.000
NCP
LO 90
HI 90
104.847
48.760
169.121
.000
.000
.000
171.958
108.551
243.440
Independence model
NCP
Model
Default model
Saturated model
Independence model
FMIN
Model
FMIN
F0
LO 90
HI 90
Default model
3.784
.704
.327
1.135
.000
.000
.000
.000
4.483
1.154
.729
1.634
Saturated model
Independence model
29
Tugas Individu
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Default model
.039
.027
.050
.955
Independence model
.048
.038
.057
.614
AIC
Model
Default model
Saturated model
Independence model
AIC
BCC
767.847
825.881
1120.000
1438.621
795.958
832.372
BIC
CAIC
ECVI
Model
ECVI
LO 90
HI 90
MECVI
Default model
5.153
4.777
5.585
5.543
Saturated model
7.517
7.517
7.517
9.655
Independence model
5.342
4.916
5.822
5.586
HOELTER
HOELTER
HOELTER
.05
.01
Default model
135
141
Independence model
123
128
Model
Execution time summary

Minimization:
1.514
Miscellaneous:
5.769
Bootstrap:
Total:
.000
7.283
2. Verifikasi Persamaan Struktural Tahap Akhir
30
Tugas Individu
Notes for Group (Group number 1)

The model is recursive.
Sample size = 150
Parameter Summary (Group number 1)
Weights
Covariances
Variances
Means
Intercepts
Total
Fixed
35
35
Labeled
Unlabeled
34
25
35
32
126
Total
69
25
35
32
161
Assessment of normality (Group number 1)

Variable
min
max
skew
c.r.
kurtosis
c.r.
31
Tugas Individu
Variable
min
max
skew
c.r.
kurtosis
c.r.
Y2
62.000
100.000
-.158
-.788
-.693
-1.734
Y15
1.000
5.000
.252
1.258
-.559
-1.398
Y14
1.000
5.000
.185
.923
-.604
-1.509
Y13
1.000
5.000
.304
1.518
-.445
-1.112
Y12
1.000
5.000
.362
1.812
-.499
-1.246
Y11
1.000
5.000
.197
.983
-.596
-1.491
X21
1.000
5.000
.116
.582
-.726
-1.814
X22
1.000
5.000
.260
1.300
-.573
-1.432
X23
1.000
5.000
.161
.804
-.708
-1.769
X24
1.000
5.000
.229
1.146
-.569
-1.423
X25
1.000
5.000
.400
1.999
-.518
-1.296
X26
1.000
5.000
.335
1.674
-.279
-.698
X27
1.000
5.000
.381
1.906
-.325
-.814
X28
1.000
5.000
.358
1.790
-.335
-.838
X29
1.000
5.000
.177
.883
-.525
-1.312
X210
1.000
5.000
.217
1.086
-.576
-1.440
X211
1.000
5.000
.354
1.770
-.350
-.876
X115
1.000
5.000
.096
.481
-.725
-1.812
X114
1.000
5.000
.193
.967
-.892
-2.229
X113
1.000
5.000
.280
1.402
-.574
-1.434
X112
1.000
5.000
.221
1.106
-.732
-1.831
X111
1.000
5.000
.109
.545
-.628
-1.571
X110
1.000
5.000
.268
1.342
-.401
-1.003
X19
1.000
5.000
.278
1.388
-.469
-1.173
X18
1.000
5.000
.395
1.976
-.309
-.774
X17
1.000
5.000
.318
1.588
-.426
-1.064
X16
1.000
5.000
.383
1.915
-.355
-.888
32
Tugas Individu
Variable
min
max
skew
c.r.
kurtosis
c.r.
X15
1.000
5.000
.318
1.590
-.364
-.911
X14
1.000
5.000
.338
1.689
-.272
-.680
X13
1.000
5.000
.321
1.607
-.567
-1.419
X12
1.000
5.000
.353
1.764
-.460
-1.149
X11
1.000
5.000
.290
1.451
-.668
-1.669
-10.585
-1.389
Multivariate
Observations farthest from the centroid (Mahalanobis distance) (Group number 1)
Observation number
Mahalanobis d-squared
p1
p2
92
49.698
.024
.973
34
49.641
.024
.879
150
47.766
.036
.911
35
46.235
.050
.943
142
46.162
.050
.878
41
44.869
.065
.930
25
44.397
.071
.916
43.914
.078
.907
32
43.604
.083
.882
17
42.843
.095
.915
146
42.812
.096
.862
54
42.242
.106
.885
55
41.946
.112
.871
42
41.020
.132
.941
80
40.610
.141
.947
112
40.572
.142
.918
40.314
.149
.912
11
39.850
.160
.932
143
39.336
.174
.955
33
Tugas Individu
Observation number
p1
p2
60
39.296
.175
.933
39
39.087
.181
.927
12
38.683
.193
.944
45
38.345
.204
.953
82
38.088
.212
.955
14
37.762
.223
.963
104
37.474
.232
.968
44
37.299
.238
.965
59
37.077
.246
.966
40
36.831
.255
.969
85
36.822
.255
.954
114
36.759
.258
.939
93
36.597
.264
.935
36.300
.275
.948
26
36.263
.276
.930
10
36.250
.277
.902
20
35.983
.287
.917
13
35.545
.305
.952
130
35.492
.307
.937
137
35.418
.310
.923
98
35.278
.316
.919
121
35.223
.318
.899
47
34.934
.330
.920
90
34.740
.339
.926
95
34.636
.343
.916
28
34.590
.345
.895
147
34.268
.359
.925
34
Tugas Individu
Observation number
p1
p2
91
34.140
.365
.921
115
33.998
.372
.919
37
33.950
.374
.900
50
33.950
.374
.866
120
33.862
.378
.850
33.684
.386
.858
22
33.621
.389
.835
23
33.534
.393
.818
33.190
.409
.873
145
33.034
.416
.876
32.964
.420
.858
19
32.841
.426
.853
65
32.480
.443
.905
134
32.449
.445
.882
58
32.432
.445
.851
129
32.409
.447
.816
79
32.392
.447
.775
74
32.323
.451
.750
33
32.290
.452
.709
32.268
.454
.660
132
32.239
.455
.611
105
32.068
.463
.628
148
32.007
.466
.594
97
31.993
.467
.536
139
31.938
.470
.498
29
31.926
.470
.439
51
31.800
.477
.435
35
Tugas Individu
Observation number
p1
p2
88
31.729
.480
.405
73
31.658
.484
.376
77
31.657
.484
.317
68
31.348
.499
.397
63
31.260
.504
.377
46
31.195
.507
.346
141
31.160
.509
.303
140
31.155
.509
.250
31.150
.509
.203
87
30.822
.526
.279
109
30.607
.537
.315
57
30.600
.537
.262
135
30.545
.540
.232
101
30.446
.545
.220
106
30.433
.546
.179
100
30.432
.546
.139
18
30.327
.551
.132
113
30.312
.552
.103
138
30.089
.564
.125
69
29.907
.573
.139
136
29.860
.575
.116
38
29.725
.582
.117
126
29.469
.595
.151
31
29.462
.596
.116
118
29.429
.597
.093
48
29.375
.600
.078
123
29.325
.603
.063
36
Tugas Individu
Notes for Model (Group number 1 - Default model)

Computation of degrees of freedom (Default model)
Number of distinct sample moments:
560
Number of distinct parameters to be estimated:
126
Degrees of freedom (560 - 126):
434
Result (Default model)

Minimum was achieved
Chi-square = 395.946
Degrees of freedom = 434
Probability level = .905
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate
S.E.
C.R.
Label
Y1
<--- X2
-.157
32.109 -.005 .996 par_33
Y1
<--- X1
-.087
.133 -.654 .513 par_35
X11 <--- X1
1.000
X12 <--- X1
1.126
.422 2.671 .008 par_1
X13 <--- X1
1.787
.628 2.848 .004 par_2
X14 <--- X1
.786
.372 2.113 .035 par_3
X15 <--- X1
.735
.351 2.094 .036 par_4
X16 <--- X1
1.237
.453 2.729 .006 par_5
X17 <--- X1
.425
.315 1.348 .178 par_6
X18 <--- X1
.708
.436 1.625 .104 par_7
X19 <--- X1
.454
.286 1.585 .113 par_8
X110 <--- X1
.604
.334 1.809 .071 par_9
X111 <--- X1
.561
.313 1.792 .073 par_10
X112 <--- X1
.210
.293
.717 .474 par_11
37
Tugas Individu
Estimate
S.E.
C.R.
Label
X113 <--- X1
-.239
.288 -.832 .406 par_12
X114 <--- X1
.374
.310 1.207 .228 par_13
X115 <--- X1
.346
.296 1.169 .242 par_14
X211 <--- X2
.276
X210 <--- X2
-.104
X29 <--- X2
-.781 160.076 -.005 .996 par_17
56.510
.005 .996 par_15
21.258 -.005 .996 par_16
X28 <--- X2
.066
13.589
.005 .996 par_18
X27 <--- X2
.221
45.214
.005 .996 par_19
X26 <--- X2
.320
65.649
.005 .996 par_20
X25 <--- X2
.120
24.504
.005 .996 par_21
X24 <--- X2
-.099
X23 <--- X2
.244
50.115
.005 .996 par_23
X22 <--- X2
.052
10.658
.005 .996 par_24
X21 <--- X2
.010
2.085
.005 .996 par_25
Y11 <--- Y1
1.000
Y12 <--- Y1
.089
.971
.091 .927 par_26
Y13 <--- Y1
-1.442
1.331 -1.084 .279 par_27
Y14 <--- Y1
-2.621
2.499 -1.049 .294 par_28
Y15 <--- Y1
-.645
.946 -.682 .495 par_29
Y2
<--- Y1
Y2
Y2
25.231
20.205 -.005 .996 par_22
67.374
.374 .708 par_30
<--- X2
5.936 1216.908
.005 .996 par_31
<--- X1
4.316
.719 .472 par_32
6.006
Standardized Regression Weights: (Group number 1 - Default model)

Estimate
38
Tugas Individu
Estimate
Y1
<--- X2
-1.894
Y1
<--- X1
-.459
X11 <--- X1
.333
X12 <--- X1
.402
X13 <--- X1
.632
X14 <--- X1
.289
X15 <--- X1
.282
X16 <--- X1
.442
X17 <--- X1
.153
X18 <--- X1
.255
X19 <--- X1
.179
X110 <--- X1
.227
X111 <--- X1
.226
X112 <--- X1
.076
X113 <--- X1
-.090
X114 <--- X1
.132
X115 <--- X1
.133
X211 <--- X2
.227
X210 <--- X2
-.093
X29 <--- X2
-.685
X28 <--- X2
.055
X27 <--- X2
.187
X26 <--- X2
.262
X25 <--- X2
.094
X24 <--- X2
-.082
X23 <--- X2
.209
X22 <--- X2
.045
39
Tugas Individu
Estimate
X21 <--- X2
.009
Y11 <--- Y1
.069
Y12 <--- Y1
.006
Y13 <--- Y1
-.105
Y14 <--- Y1
-.192
Y15 <--- Y1
-.044
Y2
<--- Y1
.204
Y2
<--- X2
.580
Y2
<--- X1
.184
Intercepts: (Group number 1 - Default model)

Estimate
S.E.
C.R.
Label
X11
2.853
.093 30.581 *** par_60
X12
2.640
.087 30.298 *** par_61
X13
2.547
.088 29.003 *** par_62
X14
2.587
.084 30.651 *** par_63
X15
2.673
.081 32.979 *** par_64
X16
2.700
.087 31.084 *** par_65
X17
2.760
.086 31.954 *** par_66
X18
2.693
.086 31.195 *** par_67
X19
2.580
.079 32.743 *** par_68
X110
2.720
.083 32.847 *** par_69
X111
2.653
.077 34.414 *** par_70
X112
2.660
.086 30.942 *** par_71
X113
2.440
.083 29.364 *** par_72
X114
2.520
.088 28.719 *** par_73
X115
2.587
.081 32.076 *** par_74
40
Tugas Individu
Estimate
S.E.
C.R.
Label
X211
2.527
.087 29.098 *** par_75
X210
2.400
.080 30.011 *** par_76
X29
2.473
.081 30.417 *** par_77
X28
2.500
.085 29.312 *** par_78
X27
2.420
.084 28.779 *** par_79
X26
2.607
.087 29.851 *** par_80
X25
2.453
.091 27.009 *** par_81
X24
2.567
.086 29.959 *** par_82
X23
2.560
.084 30.642 *** par_83
X22
2.433
.083 29.382 *** par_84
X21
2.500
.078 32.195 *** par_85
Y11
2.480
.085 29.083 *** par_86
Y12
2.340
.083 28.046 *** par_87
Y13
2.413
.081 29.808 *** par_88
Y14
2.427
.080 30.183 *** par_89
Y15
2.693
.086 31.365 *** par_90
Y2
85.693
.730 117.433 *** par_91
Squared Multiple Correlations: (Group number 1 - Default model)

Estimate
Y1
3.534
Y2
-.065
Y15
.002
Y14
.037
Y13
.011
Y12
.000
Y11
.005
41
Tugas Individu
Estimate
X21
.000
X22
.002
X23
.044
X24
.007
X25
.009
X26
.068
X27
.035
X28
.003
X29
.470
X210
.009
X211
.051
X115
.018
X114
.018
X113
.008
X112
.006
X111
.051
X110
.051
X19
.032
X18
.065
X17
.023
X16
.196
X15
.079
X14
.084
X13
.400
X12
.161
X11
.111
Matrices (Group number 1 - Default model)

42
Tugas Individu
Total Effects (Group number 1 - Default model)

X1
X2
Y1
Y1
-.087
-.157
.000
Y2
2.115
1.984
25.231
Standardized Total Effects (Group number 1 - Default model)

X1
X2
Y1
Y1
-.459
-1.894
.000
Y2
.090
.194
.204
Direct Effects (Group number 1 - Default model)

X1
X2
Y1
Y1
-.087
-.157
.000
Y2
4.316
5.936
25.231
Standardized Direct Effects (Group number 1 - Default model)

X1
X2
Y1
Y1
-.459
-1.894
.000
Y2
.184
.580
.204
Indirect Effects (Group number 1 - Default model)

X1
X2
Y1
Y1
.000
.000
.000
Y2
-2.201
-3.952
.000
Standardized Indirect Effects (Group number 1 - Default model)

X1
X2
Y1
Y1
.000
.000
.000
Y2
-.094
-.386
.000
Model Fit Summary

43
Tugas Individu
CMIN
Model
NPAR
CMIN
DF
CMIN/DF
Default model
126
395.946
434
.905
.912
Saturated model
560
.000
64
667.958
496
.000
1.347
NFI
RFI
IFI
TLI
Delta1
rho1
Delta2
rho2
.407
.323
1.163
1.253
Independence model
Baseline Comparisons
Model
Default model
Saturated model
Independence model
1.000
.000
1.000
.000
CFI
1.000
1.000
.000
.000
.000
Parsimony-Adjusted Measures
Model
PRATIO
PNFI
PCFI
Default model
.875
.356
.875
Saturated model
.000
.000
.000
1.000
.000
.000
Model
NCP
LO 90
HI 90
Default model
.000
.000
10.360
Saturated model
.000
.000
.000
171.958
108.551
243.440
Independence model
NCP
Independence model
FMIN
Model
FMIN
F0
LO 90
HI 90
Default model
2.657
.000
.000
.070
.000
.000
.000
.000
4.483
1.154
.729
1.634
Saturated model
Independence model
44
Tugas Individu
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Default model
.000
.000
.013
1.000
Independence model
.048
.038
.057
.614
AIC
Model
Default model
Saturated model
Independence model
AIC
BCC
647.946
719.636
1120.000
1438.621
795.958
832.372
BIC
CAIC
ECVI
Model
ECVI
LO 90
HI 90
MECVI
Default model
4.349
4.604
4.674
4.830
Saturated model
7.517
7.517
7.517
9.655
Independence model
5.342
4.916
5.822
5.586
HOELTER
HOELTER
HOELTER
.05
.01
Default model
182
191
Independence model
123
128
Model
Execution time summary

Minimization:
.323
Miscellaneous:
9.270
Bootstrap:
Total:
.000
9.593
LAMPIRAN 2. DIMENSI DAN INDIKATOR VARIABEL PENELITIAN
Tabel 1. Dimensi dan Indikator Perilaku Guru (X1)

45
Tugas Individu
DIMENSI
INDIKATOR
1. Kehadiran Guru
Keseharian Guru
2. Membuka Pelajaran
3. Menutup Pelajaran
Penggunaan Strategi
4. Pemilihan Strategi Pembeljaran
Pembelajaran
5. Penggunaan Waktu Pembelajaran

6. Urutan Dalam Proses Pembelajaran
Penyampaian Materi
7. Pendemonstrasian, Penguasaan Materi Pelajaran
Dorongan dan Penggalakan
8. Mendorongan adanya interaksi antara guru

dengan siswa dan siswa dnegan siswa
Ketertiban Siswa Dalam

Pembelajaran
9. Meningkatkan kemampuan berfikir tinggi

10. Mengembangkan sikap mandiri dan
kemampuan belajar
11. Sikap terbuka dan demokratis
Komunikasi antar pribadi
12. Hubungan Antara pribadi yang sehat dan serasi

13. Penggunaan Bahasa
14. Penilaian selama proses pembelajaran
Pelaksanaan Evaluasi
15. Pelaksanaan penilaian pada akhir pembelajaran
Anonim. Skripsi Pengaruh Perilaku Guru dan Motivasi Belajar terhadap Prestasi Belajar
Matematika Siswa Kelas VIII SMP Negeri II Turen Kabupaten Malang. (Online) (http://lib.uinmalang.ac.id/files/thesis/07130050.pdf). Diakses pada tanggal 6 Juni 2014.
Tabel 2. Dimensi dan Indikator Motivasi Belajar Siswa (X2)
SUB VARIABEL
INDIKATOR
46
Tugas Individu
1. Keterlibatan dan konsentrasi selama

mengikuti pelajaran di kelas
Motivasi pada saat tatap muka di kelas
2. Keaktifan mengajukan pertanyaan

3. Keaktifan menjawab pertanyaan
4. Keaktifan mengikuti diskusi
5. Ketekunan merekam tugas terstruktur
Motivasi untuk mengerjakan tugas

terstruktur
6. Ketekunan mengerjakan tugas

terstruktur
7. Keaktifan mendiskusikan dan
mengerjakan tugas bersama kelompok
8. Ketekunan mengerjakan tugas mandiri
Motivasi mengerjakan tugas mandiri

(kegiatan memperkaya pengetahuan
sendiri dan menunjang dari kegiatan
tatap muka di kelas serta tugas
terstruktur)
9. Ketekunan memperkaya bacaan sendiri

10. Kejujuran dalam menyelesaikan tugas
11. Ketepatan tugas dalam menyelesaikan
tugas mandiri
Anonim. Skripsi Pengaruh Perilaku Guru dan Motivasi Belajar terhadap Prestasi Belajar
Matematika Siswa Kelas VIII SMP Negeri II Turen Kabupaten Malang. (Online) (http://lib.uinmalang.ac.id/files/thesis/07130050.pdf). Diakses pada tanggal 6 Juni 2014.
Tabel 3. Variabel dan Indikator Kebiasaan Belajar Siswa (Y1)
VARIABEL
INDIKATOR
47
Tugas Individu
1. Kebiasaan belajar secara teratur

2. Kebiasaan mempersiapkan keperluan
studi pada malam hari
Kebiasaan Belajar
3. Kebiasaan hadir di kelas sebelum

pelajaran dimulai
4. Kebiasaan belajar sampai paham dan
tuntas
5. Kebiasaan mengunjungi perpustakaan
Afida, Husna. 2007. Skripsi Pengaruh Kebiasaan Belajar dan Minat Membaca Terhadap Prestasi
Belajar Siswa Kelas VIII Pada Mata Pelajaran Matematika di Mts Darul Huda Wonodadi Blitar
(Online) (lib.uin-malang.ac.id/files/thesis/fullchapter/03160031.pdf). Diakses 21 Juni
2014.
48
Tugas Individu
LAMPIRAN 3. SILABUS MATEMATIKA KELAS X SEKOLAH

MENENGAH ATAS ILMU PENGETAHUAN ALAM
STANDAR KOMPETENSI:
2. Memecahkan masalah yang berkaitan dengan fungsi, persamaan dan fungsi
kuadrat serta pertidaksamaan kuadrat.
KOMPETENSI
DASAR
2.1 Memahami
konsep fungsi
MATERI POKOK/
PEMBELAJARAN
Persamaan,
pertidaksamaan dan
Fungsi Kuadrat
KEGIATAN
PEMBELAJARAN
Fungsi Kuadrat
o Relasi dan Fungsi
o Jenis dan sifat

fungsi
2.2 Menggambar
grafik fungsi
aljabar
sederhana dan
fungsi
kuadrat
Grafik fungsi
kuadrat
INDIKATOR
Memahami
konsep tentang
relasi antara dua
himpunan melalui
contohcontoh.
Mengidentifikasi
ciri-ciri relasi
yang merupakan
fungsi.
Mendeskripsikan
pengertian fungsi
Mengidentifikasi
jenis-jenis dan
sifat-sifat fungsi
Mendeskripsikan
karakteristik
fungsi
berdasarkan
jenisnya.
Menentukan nilai
fungsi dari fungsi
kuadrat sederhana.
Menggambar
grafik fungsi
kuadrat
menggunakan
hubungan antara
nilai variabel dan
nilai fungsi pada
fungsi kuadrat.
Membuat tafsiran
geometris dari
hubungan antara
nilai variabel dan
nilai fungsi pada
fungsi kuadrat.
Menentukan
sumbu simetri dan
Membedakan
relasi yang
merupakan
fungsi dan
yang bukan
fungsi
Mengidentifikasi jenisjenis dan
sifat-sifat
fungsi
Menyelidiki
karakteristik
grafik fungsi
kuadrat dari
bentuk
aljabarnya.
Menggambar
grafik fungsi
kuadrat
Menentukan
definit positif
dan definit
negatif
PENILAIAN
WAKTU
Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan
4 x 45
4 x 45
Sumber:
Buku
Paket
Buku
referensi
lain
Alat *):
Laptop
LCD
OHP
Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian
Sumber:
Buku
Paket
Buku
referensi
lain
Alat *):
Laptop
LCD
Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian
Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan
SUMBER
BELAJAR
49
Tugas Individu
titik puncak grafik

fungsi kuadrat
dari grafiknya.
2.3
Menggunak
an sifat dan
aturan
tentang
persamaan
dan
pertidaksam
aan kuadrat.
Merumuskan
hubungan antara
sumbu simetri dan
titik puncak grafik
fungsi kuadrat dan
koefisienkoefisien fungsi
kuadrat.
Menentukan
sumbu simetri dan
titik puncak grafik
fungsi kuadrat
dari rumus
fungsinya.
Menggambar
grafik fungsi
kuadrat
menggunakan
hasil analisis
rumus fungsinya.
Mengidentifikasi
definit positif dan
definit negatif
suatu fungsi
kuadrat dari
grafiknya.
Membuat grafik
fungsi aljabar
sederhana ( fungsi
linear, fungsi
konstan, dan
sebagainya)
menggunakan
hubungan antara
nilai variabel dan
nilai fungsinya.
Penyelesaian
persamaan
kuadrat
Mencari akar-akar
persamaan kuadrat
dengan
memfaktorkan.
Menentukan
akar-akar
persamaan
kuadrat.
Penyelesaian
pertidaksama
an kuadrat
Mencari akar-akar
persamaan kuadrat
dengan rumus.
Menentukan
penyelesaian
pertidaksamaan
kuadrat.
Menentukan
himpunan
penyelesaian
pertidaksama
an kuadrat
Menemukan arti
geometris dari
penyelesaian
persamaan dan
pertidaksamaan
kuadrat
menggunakan
grafik fungsi
kuadrat.
Persamaan dan
pertidaksanaan
Kuadrat
o
Membuat
grafik fungsi
aljabar
sederhana
Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan
4 x 45
Alat *):
Laptop
LCD
OHP
Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian
Sumber:
Buku
Paket
Buku
referensi
lain
50
Tugas Individu
Rumus jumlah dan

hasil kali akar
persamaan kuadrat
Jenis akar
persamaan
kuadrat
Mendeskripsikan
tafsiran geometris
dari penyelesaian
persamaan dan
pertidaksamaan
kuadrat.
Menghitung
jumlah dan hasil
kali akar
persamaan kuadrat
dari hasil
penyelesaian
persamaan
kuadrat.
Menentukan
hubungan antara
jumlah dan hasil
kali akar dengan
koefisien
persamaan
kuadrat.
Merumuskan
hubungan antara
jumlah dan hasil
kali akar dengan
koefisien
persamaan kuadrat
Membuktikan
rumus jumlah dan
hasil kali akar
persamaan
kuadrat.
Menggunakan
rumus jumlah dan
hasil kali akar
persamaan kuadrat
dalam
perhitungan.
Membedakan
jenis-jenis akar
persamaan
kuadrat melalui
contoh-contoh.
Mengidentifikasi
hubungan antara
jenis-jenis akar
persamaan
kuadrat dan nilai
Diskriminan.
Merumuskan
hubungan antara
jenis akar
persamaan
kuadrat dan nilai
Diskriminan.
Menggunakan
rumus
jumlah dan
hasil kali
akar-akar
persamaan
kuadrat
Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan
4 x 45
Alat *):
Laptop
LCD
OHP
Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian
Membedakan
jenis-jenis
akar
persamaan
kuadrat
Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan
2 x 45
Sumber:
Buku
Paket
Buku
referensi
lain
Alat *):
Laptop
LCD
OHP
Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian
Menyelidiki jenisjenis akar

persamaan
kuadrat.
Sumber:
Buku
Paket
Buku
referensi
lain
51
Tugas Individu
2.4
Melakukan
manipulasi
aljabar
dalam
perhitungan
yang
berkaitan
dengan
persamaan
dan
pertidaksam
aan kuadrat
Menyusun
persamaan
kuadrat yang
akar-akarnya
diketahui
Menyusun
persamaan
kuadrat yang
akar-akarnya
diketahui.
Menyusun
persamaan
kuadrat yang
akar-akarnya
diketahui.
Pernyelesian
persamaan lain
yang berkaitan
dengan
persamaan
kuadrat
Menyusun
persamaan
kuadrat yang
akar-akarnya
mempunyai
hubungan dengan
akar-akar
persamaan
kuadrat lainnya.
Menentukan
penyelesaian
persamaan
yang dapat
dinyatakan ke
bentuk
persamaan
kuadrat/pertidaksamaan
kuadrat
Mengenali
persamaanpersamaan yang
dapat diubah ke
dalam persamaan
kuadrat.
Menyelesaikan
persamaan yang
dapat dibawa ke
bentuk persamaan
kuadrat/
pertidaksamaan
kuadrat.
Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan
4 x 45
Alat *):
Laptop
LCD
OHP
Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian
Sumber:
Buku
Paket
Buku
referensi
lain
52

Bahasa

Selamat datang di Scribd!

Tugas Program Komputer Analisis Struktural Equation Modeling (Analisis Sem)

Diunggah oleh

Informasi Dokumen

Deskripsi:

Data diunggah

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Deskripsi:

Hak Cipta:

Format Tersedia

Tugas Program Komputer Analisis Struktural Equation Modeling (Analisis Sem)

Judul Asli:

Diunggah oleh

Deskripsi:

Hak Cipta:

Format Tersedia

Tugas Individu 1: Program Komputer

TUGAS PROGRAM KOMPUTER

Dosen Pembimbing: Kamariah, S.Pd., M.Pd.

Program Studi Matematika

Menguji hipotesis langsung dan tidak langsung!

Pembahasan dan simpulan!

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

di sini mencakup kesediaan, keteraturan, perilaku dan kesiapan siswa dalam

Prestasi Belajar Matematika

Model keterhubungan (interrelationship) dalam rangka perumusan

2. Analisis Jalur dari Kerangka Pikir

pengembangan dalam kerangka pikir dan teknik statistika yang digunakan

Untuk keperluan formulasi matematis berdasarkan Struktural Equation

Y p adalah vektor ( p 1) variabel manifest endogenus.

X adalah vektor (n 1) konstruk laten eksogenus dengan rata-rata 0 dan variansi .

a, b adalah vektor ( q 1) konstanta variabel eksogenus dan endogenus.

adalah vektor ( q 1) error pengukuran dengan rata-rata 0.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

X 1 , X 2 berturut-turut adalah perilaku guru matematika, dan motivasi

Y1 , Y2 berturut-turut adalah kebiasaan belajar matematika dan prestasi

mengkonfirmasi dan memeriksa apakah variabel manifes saling berhubungan.

mutlak kritikal rasio ini di bawah 2 menyatakan hubungan tidak signifikan

3. Data (Terkirim ke email)

4. Analisis dan Model Pengukurannya (valid dan reliabel)

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

5. Analisis Model Struktural (awal-akhir)

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Proses building-trimming dilakukan hingga diperoleh indeks overall fit

Sumber: Lampiran 1, hasil analisis dengan AMOS 20.0

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Hasil estimasi parameter (regression weight) disajikan dalam Tabel 1.

32.109 -.005 .996 par_33

.133 -.654 .513 par_35

.374 .708 par_30

.005 .996 par_31

.719 .472 par_32

Persamaan struktural yang sesuai berdasarkan model tahap final dan

Y1 0,855 0,087 X 1 0,157 X 2

Y2 85,693 25,231X 1 5,936 X 2 4,316Y1

X 1 , X 2 berturut-turut adalah perilaku guru matematika, dan motivasi

Y1 , Y2 berturut-turut adalah kebiasaan belajar matematika dan prestasi

c. Analisis mediasi model

Tabel 2. Pengaruh Tidak Langsung.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Indirect Effect Significance (nilai-p)

6. Uji Hipotesis Langsung dan Tak Langsung

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Hipotesis kelima yang akan diuji adalah:

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Hipotesis kesembilan yang akan diuji adalah:

7. Pembahasan dan Simpulan

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Y1 0,855 0,087 X 1 0,157 X 2

Y2 85,693 25,231X 1 5,936 X 2 4,316Y1